7 月 1 日，国际顶级学术期刊《Nature》旗下子刊《Nature Communications》正式刊登了来自清华、面壁等研究团队联合研发的高效端侧多模态大模型MiniCPM-V 核心研究成果。
本文作者来自：南京大学、香港大学、中南大学、地平线、中国科学院计算所、上海交通大学、慕尼黑工业大学、清华大学。
多模态大模型通常是在大型预训练语言模型（LLM）的基础上扩展而来。尽管原始的 LLM 并不具备视觉理解能力，但经过多模态训练后，这些模型却能在各类视觉相关任务中展现出强大的表现。
反思技术因其简单性和有效性受到了广泛的研究和应用，具体表现为在大语言模型遇到障碍或困难时，提示其“再想一下”，可以显著提升性能 [1]。然而，2024 年谷歌 DeepMind 的研究人员在一项研究中指出，大模型其实分不清对与错，如果不是仅仅提示模型反思那些它回答错误的问题，这样的提示策略反而可能让模型更倾向于把回答正确的答案改错 [2]。
近年来，多模态大模型（MLLMs）发展迅猛，从看图说话到视频理解，似乎无所不能。
Grok 4一夜爆火硅谷，幕后团队功不可没。今天，一张内部作战图在全网疯转，华人学者占比高达80%。清华、上交、浙大等校友云集，还有一位95后联创。
AI 科技评论独家获悉，百川智能技术联合创始人谢剑将离职。其离职原因尚未公开，下一步动向也暂无明确消息。谢剑硕士毕业于武汉大学人工智能方向，2012 年获得硕士学位后加入百度，后在职攻读博士，并获得清华大学计算机科学博士学位。他曾是百度集团内最年轻晋升为主任研发架构师的工程师之一，同时也是集团总技术委员会成员。
2025 年，大模型又一次刷新了人类的认知边界，AI 模拟高考成绩大幅跃升，已达到清华、北大的录取线。但另一方面，这也让人感到些许焦虑。
最少只用2张图，AI就能像人类一样理解3D空间了。ICCV 2025最新中稿的LangScene-X：以全新的生成式框架，仅用稀疏视图（最少只用2张图像）就能构建可泛化的3D语言嵌入场景，对比传统方法如NeRF，通常需要20个视角。
“同时做大脑和本体，看起来可能会非常难，但对我来说，因为我都能做，所以这是一个自然选择。”
